Resumen Ejecutivo – Academia 23-04-2026

Fecha: 23 de abril de 2026
Expuesto por: Profesor Ángel Royo
Corresponde a: Plan Academia

Resumen General

La sesión del 23 de abril de 2026 se centró en una idea esencial dentro del Plan Academia: la inteligencia artificial solo se vuelve valiosa cuando se conecta con datos concretos, modelos útiles y problemas reales. La clase utilizó como ejercicio central la construcción de un detector de posturas en Pictoblocks, capaz de distinguir entre una postura corporal erguida y una encorvada.

A partir de ese ejemplo, la reunión desarrolló una comprensión más profunda del aprendizaje automático, explicando cómo una máquina aprende patrones a partir de ejemplos, cómo se aprovechan modelos ya existentes y cómo el entrenamiento de clases nuevas depende de la calidad de los datos y del ajuste de ciertos hiperparámetros. La sesión combinó teoría, demostración práctica y visión aplicada del futuro, conectando el clasificador de poses con ejercicios, juegos, deporte, ciudades inteligentes y hardware.

La IA Parte de un Problema Concreto

La clase abrió dejando claro que la inteligencia artificial no debe estudiarse como algo abstracto o decorativo. El objetivo no era “ver IA” en teoría, sino construir una herramienta concreta: un sistema que pudiera identificar si una persona estaba sentada recta o encorvada.

Este enfoque fue muy pedagógico porque aterrizó el tema inmediatamente. En vez de presentar la IA como una idea lejana, la clase la convirtió en una solución específica para un problema observable y fácil de comprender.

Las Máquinas no Tienen Sentido Común

Uno de los conceptos centrales de la sesión fue que una máquina no entiende el mundo como una persona. No tiene experiencia corporal, no posee sentido común y no razona como lo hace un ser humano. No “sabe” por sí misma lo que significa estar erguido o encorvado.

La máquina solo puede aprender a reconocer patrones si se le muestran suficientes ejemplos bien organizados. Esta aclaración es muy importante porque evita idealizar la IA y ayuda a entender que su capacidad depende enteramente del diseño del entrenamiento.

• La máquina no razona como una persona.
• No entiende posturas por intuición.
• Aprende diferencias observando ejemplos repetidos.

Aprendizaje Automático como Reconocimiento de Patrones

La sesión explicó que el aprendizaje automático consiste en encontrar patrones dentro de ejemplos. En este caso, el sistema debía aprender a distinguir dos clases: recto y encorvado. No lo hace “pensando”, sino detectando regularidades en los datos que se le entregan.

Esta explicación fue importante porque mostró que la inteligencia artificial no es una conciencia, sino una herramienta estadística y predictiva que mejora su capacidad de clasificación a medida que recibe ejemplos adecuados.

Los Datos como Recurso Más Valioso

Ángel Royo insistió en que el elemento más importante en cualquier aplicación de IA no es el programa ni el discurso técnico, sino los datos. Los datos son la materia prima real del modelo, y su calidad determina el valor del resultado.

La clase reforzó una idea ya presente en sesiones anteriores: buen dato en buen modelo. Si los datos son débiles, mal capturados o demasiado rígidos, el resultado será frágil, aunque la herramienta sea sofisticada.

• Los datos son la base del aprendizaje.
• Sin buenos ejemplos no hay buen clasificador.
• El problema no se resuelve con magia, sino con datos útiles.

Uso de un Modelo Preexistente

La reunión explicó que para construir el detector de posturas no fue necesario partir desde cero. Se utilizó un modelo de pose ya existente, previamente entrenado para reconocer partes del cuerpo humano. Este modelo ya conoce 17 puntos clave del cuerpo, como nariz, hombros, codos, rodillas y otras referencias estructurales.

Sobre esa base se realizó un nuevo entrenamiento, más específico, orientado a diferenciar dos tipos de postura. Esto permitió mostrar que en inteligencia artificial muchas veces no se crea todo desde cero: se aprovechan modelos ya desarrollados y luego se los ajusta para nuevas tareas.

Los 17 Puntos del Cuerpo como Base del Sistema

La clase mostró que el modelo de pose funciona detectando 17 puntos clave del cuerpo. Esto permite traducir la imagen humana a una estructura matemática manejable, donde el sistema no ve simplemente “una persona”, sino una red de coordenadas y relaciones espaciales.

Este punto fue muy valioso porque ayudó a que los estudiantes comprendieran que la visión computacional no ve como un ojo humano, sino como un sistema que reduce el cuerpo a datos interpretables.

Sobreentrenar un Modelo Existente

La sesión explicó que el proceso realizado consistía en sobreentrenar un modelo ya existente con nuevas clases. En este caso, el sistema ya sabía reconocer la estructura corporal, pero se le enseñó a clasificar específicamente dos posturas concretas.

Este proceso fue presentado como una estrategia muy poderosa, porque evita tener que construir la base completa del modelo y permite concentrarse en enseñar distinciones más específicas.

Variaciones para Evitar la Rigidez

Uno de los mensajes más importantes de la clase fue que al grabar las posturas no basta con quedarse inmóvil siempre de la misma manera. Es necesario introducir pequeñas variaciones al mover el cuerpo, cambiar apenas el ángulo o alterar un poco la posición.

Esto tiene una razón clave: si el modelo aprende una postura demasiado rígida y exacta, luego no generaliza bien cuando enfrenta una persona real que se mueve ligeramente distinto. Por eso, la variación controlada mejora la solidez del clasificador.

Hiperparámetros y Ajuste del Entrenamiento

La reunión introdujo también la idea de los hiperparámetros, es decir, valores externos ajustables que influyen en el aprendizaje del modelo. Entre ellos se destacaron las épocas (epochs) y el learning rate.

Se explicó que estos parámetros no son un detalle secundario, sino una forma de controlar cómo aprende el sistema. La capacidad de manipularlos permite ajustar la velocidad, la estabilidad y la profundidad del entrenamiento.

Precisión del Modelo y 100% de Exactitud

Durante la demostración, el clasificador alcanzó un 100% de precisión al diferenciar las clases “recto” y “encorvado”. La gráfica mostró que, después de cierto número de épocas, la precisión se mantenía alta y estable, lo que indicaba que el sistema había logrado aprender claramente la diferencia entre ambas posturas.

Más allá del número llamativo, la clase lo usó para enseñar cómo leer una gráfica de entrenamiento y cómo interpretar la evolución de un modelo.

Testeo y Mejora Continua

Tras el entrenamiento, se realizó una fase de prueba donde el sistema debía predecir correctamente la postura observada por la cámara. La sesión mostró que agregar más datos, más personas y más ejemplos mejora la capacidad del clasificador, haciéndolo menos dependiente de un solo cuerpo o una sola forma de posar.

Este punto fue especialmente formativo porque reforzó que un modelo bueno no se construye con una sola demostración exitosa, sino con repetición, ampliación del conjunto de datos y prueba en nuevas situaciones.

Aplicaciones del Clasificador de Poses

La clase expandió la imaginación de los estudiantes mostrando que un clasificador de poses no sirve solo para detectar si alguien está encorvado. También puede utilizarse en:

• Juegos de baile o movimiento.
• Sistemas de ejercicios con ranking.
• Entrenamiento deportivo.
• Monitoreo postural.
• Aplicaciones tipo Kinect o Wii.

Con esto, el ejercicio dejó de ser un simple ejemplo escolar y se convirtió en una puerta de entrada a múltiples soluciones potenciales.

La Productividad como Enfoque

Ángel Royo insistió en que la tecnología debe orientarse a la productividad y a la solución de problemas. Se dijo con claridad que a las personas se les paga por resolver problemas, ya sea con un servicio o con un producto. Esa afirmación dio una dirección muy práctica a toda la sesión.

La IA, entonces, no se presentó como un espectáculo técnico, sino como una herramienta que puede traducirse en valor real cuando se aplica a necesidades concretas.

Vortic como Caso de Estudio

La clase incluyó también un ejemplo externo muy potente: la plataforma chilena Vortic, que utiliza datos geoespaciales, satelitales y modelos de IA para ayudar a construir ciudades más seguras y sostenibles. Este caso sirvió para ampliar el horizonte de lo que los estudiantes estaban haciendo en clase.

El mensaje fue claro: así como ellos están entrenando un clasificador de posturas con datos y modelos, también existen equipos que hacen algo similar a gran escala para resolver problemas urbanos, climáticos y territoriales.

Datos Geoespaciales y Uso Territorial

La sesión explicó que herramientas como Vortic trabajan con datos geoespaciales, imágenes satelitales y modelos predictivos para generar mapas dinámicos que ayudan a planificar mejor el territorio. Se mencionó que planificar sin buenos datos puede ser peligroso, especialmente en contextos como el de Chile, expuesto a incendios, inundaciones y otros riesgos naturales.

Esta conexión fue muy valiosa porque permitió mostrar que la lógica de los datos y los modelos se aplica tanto a un cuerpo humano frente a una cámara como a ciudades completas observadas desde el espacio.

La Diversidad en STEM y el Talento Femenino

La clase incorporó también un video sobre la baja participación de mujeres en carreras STEM en América Latina. Aunque fue una pausa dentro del flujo técnico, el tema se integró al mensaje general de la sesión: el talento no debe desperdiciarse y la innovación mejora cuando los equipos son más diversos.

Esta inclusión aportó una capa cultural importante, recordando que la tecnología no es solo una cuestión de código y datos, sino también de personas, acceso y oportunidades.

Entrenar para Comprender, no Solo para Usar

Hacia el cierre, la reunión reafirmó que el objetivo no es simplemente jugar con una herramienta, sino comprender cómo se construye una aplicación útil. Se pidió a los estudiantes que practiquen el entrenamiento tomando fotos, eligiendo movimientos simples y pensando en cómo convertir ese trabajo en un juego, una aplicación o un sistema funcional.

Este enfoque forma una mentalidad mucho más madura: la del estudiante que no consume tecnología pasivamente, sino que aprende a modelarla y dirigirla.

El Kit de Hardware como Siguiente Paso

La sesión recordó que el siguiente avance del curso requerirá la adquisición de un kit de hardware para incorporar dispositivos físicos a Pictoblocks. Se lo describió como una inversión pequeña pero muy importante, comparable al costo de dos hamburguesas grandes, y se insistió en que será “ultra necesario” para lo que viene.

Este anuncio fue clave porque muestra que el curso está preparando una transición desde la IA en pantalla hacia la integración con hardware, sensores y aplicaciones más cercanas al mundo físico.

Conclusión

En términos ejecutivos, la clase del 23 de abril de 2026 fue una excelente demostración de cómo enseñar inteligencia artificial desde una lógica comprensible, concreta y orientada a la acción. La reunión mostró que un clasificador de poses puede construirse a partir de buenos datos, modelos ya entrenados y un ajuste cuidadoso de variables, y que ese mismo principio puede escalar hacia aplicaciones deportivas, educativas, urbanas o territoriales.

El valor principal de la sesión estuvo en unir tres niveles de comprensión: el nivel técnico, donde se entrenó un clasificador de posturas; el nivel conceptual, donde se explicó que la máquina aprende patrones a partir de datos; y el nivel estratégico, donde se mostró que esta capacidad tiene aplicaciones reales de enorme impacto. De esta forma, la clase no solo enseñó a usar Pictoblocks, sino a pensar como alguien que puede construir herramientas útiles en un mundo gobernado cada vez más por datos y modelos.